covariance matrix r语言_时间序列分析|ARIMAX模型分步骤详解和R中实践

这是关于时间序列的第N篇文章，本文将介绍ARIMAX模型，简单来说就是在ARIMA的基础上增加一个外生变量。ARIMAX和ARIMA相比在理论上没有太多新的内容，所以本文直接介绍在R里怎么一步一步跑ARIMAX。

在阅读这篇文章前，需要对ARIMA有一定了解，传送门在这里：

0100：时间序列分析|AR(p),MA(q), ARIMA入门及R中实践zhuanlan.zhihu.com

0100：时间序列分析|ARIMA模型分步骤解析及R中实践zhuanlan.zhihu.com

那么直接进入正题，来ARIMAX吧~

先举一个直观的需要用ARIMAX的例子：假设你在经营一家游乐园，你有过去三年游乐园的daily attendance数据，以及daily events数据，想要预测未来的daily attendance。

其中input data就是历史的daily attendance和daily events， output是未来的daily attendance。

如果用ARIMA的话，那么input变量只能是历史的daily attendance, 而想要将历史的daily events也作为一个因变量的话，就可以用ARIMAX模型。

假设下面咱们要解决的就是这个问题，步骤很简单，来看下R中要怎么一步一步run code吧：

第一步：时间序列数据集

如果没有数据的话，可以创建数据集：使用以下code建立一个ARIMA(1,1,1)的时间序列数据：

historical_attendance = arima.sim(list(order = c(1,1,1), ar = 0.9, ma = -0.4, n = 200)

2. 如果已有数据的话，记得将你的数据转化为时间序列数据

historical_attendance = ts(data$historical_attendance, frequency = 365.25/7, start= decimal_date(ymd('2015-06-27')))

第二步：把外生变量转变为matrix格式，这步极其重要！我当时不知道要对外生变量进行格式转化，卡了很久找不到BUG,最后做code review的时候老板一眼就看出了问题所在。

xreg = as.matrix(data$historical_events)

第三步：跑ARIMAX模型，如果你数据量比较大的话，这步要跑好久。我大概300数据量，跑了一小时多。

arimax <- auto.arima(historical_attendance,xreg = xreg,seasonal.test="ch", parallel=TRUE,num.cores=8,stepwise=FALSE,approximation=FALSE)

第四步：做预测

做预测前，记得把test集中的外生变量也转化为matrix格式

xreg_next = as.matrix(data$future_events)
fcast_arimax <- forecast(arimax, h=10,xreg = xreg_next)

第五步：做一下可视化，画个图什么的。

只要掌握了ARIMA，ARIMAX就很简单的。对ARIMA不熟的，一定要把这篇先看懂哦：

0100：时间序列分析|ARIMA模型分步骤解析及R中实践zhuanlan.zhihu.com

PS: 我将开始频繁更新时间序列的各种模型了，包括模型本身的讲解和在R中怎么写code。

已更新的有：指数平滑ETS, 自回归AR, 移动平均MA，ARMA, ARIMA, ARIMAX,TABTS。

接下来会更新的模型包括：TABTS，TSAR, LSTM等

欢迎关注专栏：

一锅数据汤zhuanlan.zhihu.com

covariance matrix r语言_时间序列分析|ARIMAX模型分步骤详解和R中实践相关推荐

arima 数据预处理_时间序列分析|ARIMA模型分步骤解析及R中实践
你是否想要做时间序列分析,但却不知道代码怎么写? 你是否不清楚时间序列分析各种模型该在什么情况下使用? 本文将针对以上两个问题,带你入门时间序列分析~ 等等! 不止'入门' 读完这篇,你立即就能在R中 ...
R语言ggplot2可视化：可视化饼图分面图并在图中添加数据标签
R语言ggplot2可视化:可视化饼图分面图并在图中添加数据标签目录 R语言ggplot2可视化:可视化饼图分面图并在图中添加数据标签
R语言基于forestplot包可视化森林图实战详解：美化的森林图：自定义字体设置、置信区间、坐标轴（刻度、标签、范围）、无效线去除、水平线、辅助线、box形状、色彩等
R语言基于forestplot包可视化森林图实战详解:美化的森林图:自定义字体设置.置信区间.坐标轴(刻度.标签.范围).无效线去除.水平线.辅助线.box形状.色彩等目录
R 语言做时间序列分析的实例（模式识别、拟合、检验、预测）
文章目录一.准备工作 1.数据准备 2.基本概念二.数据处理 1.模式识别 2.参数估计 3.诊断性检验 1 残差序列 2 Ljung-Box 检验 4.预测一.准备工作 1.数据准备所使用的 ...
基于R语言的时间序列分析预测
数据来源: R语言自带 Nile 数据集(尼罗河流量) 分析工具:R-3.5.0 & Rstudio-1.1.453 #清理环境,加载包 rm(list=ls()) library(forec ...
二元置信椭圆r语言_一般加性模型的简介、应用举例及R语言操作
一般加性模型的简介.应用及R语言操作举例前文在"平滑回归举例"中,提到当未知自变量和响应变量间的关系,难以选择合适的参数模型描述二者间的响应状态,或者期望探索二者可能的响应曲线形式 ...
python时间序列分析航空旅人_时间序列分析-ARIMA模型（python）
时间序列概念:在生产和科学研究中,对某一个或者一组变量进行观察测量,将在一系列时刻所得到的离散数字组成的序列集合,称之为时间序列.时间序列分析是根据系统观察得到的时间序列数据,通过曲线拟合和参数估 ...
python arima模型_时间序列分析 ARIMA模型 Python（2）
最近做了一个时间序列分析的项目.时间序列分析不同于以前的项目--看一下相关的库怎么用,就可以快速上线应用.它是非常需要你的基础知识的,Hamilton关于<时间序列分析>方面的知识,写了厚 ...
R语言作图好看的秘籍：RColorBrewer调色板详解
朋友们说我作图的配色还可以,这其实不是我的功劳,是因为 R 语言有许多非常优秀的调色板,本文就介绍一个非常流行的,我也经常在用的调色板 R 包:RColorBrewer. 安装 install.pac ...

covariance matrix r语言_时间序列分析|ARIMAX模型分步骤详解和R中实践

covariance matrix r语言_时间序列分析|ARIMAX模型分步骤详解和R中实践相关推荐

最新文章

热门文章